大數(shù)據(jù)與人工智能背景下的實驗經(jīng)濟學未來展望*

王 云

黨的十九大報告指出，我國經(jīng)濟已由高速增長階段轉(zhuǎn)向高質(zhì)量發(fā)展階段。經(jīng)濟的高質(zhì)量發(fā)展依托于市場有效運行的微觀基礎(chǔ)，政策制定者需要深刻理解市場主體的行為、選擇與動因，亦需要在實證證據(jù)的支撐之下進行恰當?shù)募顧C制設計和政策評估。近五十年來逐漸成熟和興盛的實驗經(jīng)濟學通過拓展經(jīng)典微觀理論和利用隨機可控實驗方法，為政策制定者提供了重要的分析工具和決策輔助。隨著數(shù)字經(jīng)濟的興起與發(fā)展，基于人工智能技術(shù)、互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)的經(jīng)濟活動及其所產(chǎn)生的大數(shù)據(jù)，為經(jīng)濟學各領(lǐng)域的研究都帶來了新的機遇與挑戰(zhàn)，也為政策制定者和監(jiān)管部門觀測和分析微觀市場主體的行為提供了更為完善的數(shù)據(jù)支持。在近年的文獻中，大數(shù)據(jù)和機器學習算法對經(jīng)濟學、統(tǒng)計學等相關(guān)學科的影響亦得到了學者們的關(guān)注，首當其沖的是關(guān)注方法上的改進與數(shù)據(jù)科學的變革。aSendhil Mullainathan,Jann Spiess,“Machine Learning:An Applied Econometric Approach”,The Journal of Economic Perspectives,vol.31,no.2,2017,pp.87-106；洪永淼、汪壽陽：《大數(shù)據(jù)、機器學習與統(tǒng)計學：挑戰(zhàn)與機遇》，《計量經(jīng)濟學報》2021 年第1 期。同時，人工智能技術(shù)的廣泛運用也對金融決策、產(chǎn)業(yè)組織、創(chuàng)新與生產(chǎn)力變革、勞動力市場與就業(yè)、收入分配與不平等、經(jīng)濟增長等領(lǐng)域的研究產(chǎn)生了深刻的影響。bAjay Agrawal,Joshua S.Gans,Avi Goldfarb,“Artificial Intelligence:The Ambiguous Labor Market Impact of Automating Prediction”,The Journal of Economic Perspectives,vol.33,no.2,2019,pp.31-50;Aaron Chalfin,Oren Danieli,Andrew Hillis,Zubin Jelveh,Michael Luca,Jens Ludwig,Sendhil Mullainathan,“Productivity and Selection of Human Capital with Machine Learning”,The American Economic Review,vol.106,no.5,2016,pp.124-127;Isil Erel,Léa H.Stern,Chenhao Tan,Michael S.Weisbach,“Selecting Directors Using Machine Learning”,The Review of Financial Studies,vol.34,no.7,2021,pp.3226-3264.Camerer（2019）總結(jié)并討論了人工智能對行為經(jīng)濟學研究的影響，aColin F.Camerer,“Artificial Intelligence and Behavioral Economics”,In Avi Goldfarb,Joshua Gans and Ajay Agrawal,The Economics of Artificial Intelligence:An Agenda,University of Chicago Press,2019,pp.587-608.但隨著人工智能技術(shù)更廣泛地被應用，相關(guān)的實驗經(jīng)濟學研究有了更多進展，需要更為系統(tǒng)性的討論。國內(nèi)文獻對這一前沿問題的討論方興未艾，本文擬立足于實驗經(jīng)濟學形成與發(fā)展中的核心要點，評述近年來運用機器學習算法或人工智能技術(shù)的相關(guān)實驗研究。

一、實驗經(jīng)濟學形成和發(fā)展中的核心要點

在20 世紀70 年代前后，微觀經(jīng)濟學研究開始系統(tǒng)性地將心理、認知、情緒等因素引入決策論的分析框架中，實驗經(jīng)濟學則緊隨其后，提供了可控環(huán)境下關(guān)于個人選擇的大量實證證據(jù)。在此后幾十年間的發(fā)展過程中，實驗經(jīng)濟學幫助微觀經(jīng)濟學者檢驗和拓展理論模型，使其能更全面地解釋人們的真實行為尤其是人在經(jīng)濟或者其他形式的激勵之下的選擇模式。它也幫助應用經(jīng)濟學家和政策制定者觀察人們對于經(jīng)濟社會政策的反應，促進有效的政策評估、市場設計和行為干預。

實驗經(jīng)濟學的核心要點之一，是為經(jīng)濟理論提供實證檢驗和理論拓展。早期的實驗主要是對新古典微觀框架無法解釋的行為偏離進行現(xiàn)象性的描述，學者們稱之為“異象”（anomalies）。b那藝、賀京同：《行為經(jīng)濟學的興起及其與新古典經(jīng)濟學關(guān)系的演變》，《中國社會科學》2019 年第5 期。而隨著實驗研究范式逐漸成熟，學者們更側(cè)重從實驗中觀察到的系統(tǒng)性偏離中總結(jié)規(guī)律，并形成新的行為理論基礎(chǔ)。在實驗設計中，他們不是簡單利用經(jīng)典模型，而是根據(jù)所關(guān)注的問題來設定實驗環(huán)境和激勵方式，并依具體問題來分析處置效應。c包特、王國成、戴蕓：《面向未來的實驗經(jīng)濟學：文獻述評與前景展望》，《管理世界》2020 年第7 期。比如，Kahneman 和Tversky 的一系列關(guān)于不確定性下個體選擇與其系統(tǒng)性偏誤的研究，開啟了學界對于非期望效用函數(shù)（non-expected utility）的討論，啟發(fā)了決策論中包含參照依賴的個人損失厭惡偏好和以概率加權(quán)函數(shù)來描述的主觀概率偏誤，并最終成為前景理論的兩個主要組成部分。dAmos Tversky,Daniel Kahneman,“Judgment under Uncertainty:Heuristics and Biases”,Science,vol.185,no.4157,1974,pp.1124-1131;Amos Tversky,Daniel Kahneman,“Prospect Theory:An Analysis of Decision under Risk”,Econometrica,vol.47,no.2,1979,pp.263-291.又比如，在大量博弈實驗中研究者發(fā)現(xiàn)，基于“理性人”假設的個人收益最大化框架無法解釋實驗室數(shù)據(jù)中所觀察到的偏離均衡的選擇，如最后通牒博弈中被試拒絕收益不平等的分配方案、eWerner Güth,Reinhard Tietz,“Ultimatum Bargaining Behavior:A Survey and Comparison of Experimental Results”,Journal of Economic Psychology,vol.11,no.3,1990,pp.417-449.獨裁者實驗中獨裁者往往選擇不獨占全部收益、fRobert Forsythe,Joel L.Horowitz,N.E.Savin,Martin Sefton,“Fairness in Simple Bargaining Experiments”,Games and Economic Behavior,vol.6,no.3,1994,pp.347-369;Elizabeth Hoffman,Kevin McCabe,Keith Shachat,Vernon Smith,“Preferences,Property Rights,and Anonymity in Bargaining Games”,Games and Economic Behavior,vol.7,no.3,1994,pp.346-380.信任博弈中雙方更傾向于促進社會效益且更為公平分配的投資和回報行為、gJoyce Berg,John Dickhaut,Kevin McCabe,“Trust,Reciprocity,and Social History”,Games and Economic Behavior,vol.10,no.1,1995,pp.122-142;Ben-Ner Avner,Freyr Halldorsson,“Trusting and Trustworthiness:What Are They,How to Measure Them,and What Affects Them”,Journal of Economic Psychology,vol.31,no.1,2010,pp.64-79.線性公共物品博弈中成員的貢獻值普遍性地高于均衡水平等。hMark R.Isaac,James M.Walker,“Group Size Effects in Public Goods Provision:The Voluntary Contributions Mechanism”,The Quarterly Journal of Economics,vol.103,no.1,1988,pp.179-199;James Andreoni,“Why Free Ride?:Strategies and Learning in Public Goods Experiments”,Journal of Public Economics,vol.37,no.3,1988,pp.291-304.這催生了社會偏好理論（social preferences）。學者們在傳統(tǒng)微觀理論的效用最大化框架中引入了表示親社會性偏好的效用形式，涵蓋了公平、友善、互利互損、不平等厭惡偏好、社會福利偏好等更為廣泛的人們的社會性動機。i陳葉烽、葉航、汪丁?。骸冻浇?jīng)濟人的社會偏好理論：一個基于實驗經(jīng)濟學的綜述》，《南開經(jīng)濟研究》2012 年第1 期；David J.Cooper,John H.Kagel,“Other-Regarding Preferences:A Selective Survey of Experimental Results”,In Alvin E.Roth,John H.Kagel,The Handbook of Experimental Economics,Elsevier,2017.這些理論拓展也為應用微觀經(jīng)濟學的研究者們提供了理解市場主體行為、解釋實證數(shù)據(jù)的實用性工具。

實驗經(jīng)濟學的第二個核心要點，在于其對政策評估、政策設計和行為干預的輔助。這與20 世紀90年代以來實地實驗（field experiment）的興起與廣泛應用密不可分，也為發(fā)展經(jīng)濟學的政策效果評估提供了重要的方法論革新。a羅俊、汪丁丁、葉航、陳葉烽：《走向真實世界的實驗經(jīng)濟學——田野實驗研究綜述》，《經(jīng)濟學（季刊）》2015年第3 期；陸方文：《隨機實地實驗：方法、趨勢和展望》，《經(jīng)濟評論》2017 年第4 期；Esther Duflo,Abhijit Banerjee,Handbook of Field Experiments Volume 2,Elsevier,2017。政策評估困難的一個原因在于參與者的自我選擇導致的內(nèi)生性。而通過隨機控制實驗（randomized controlled trial）得到的數(shù)據(jù)干凈、可控，能夠很好地避免內(nèi)生性問題，有助于作出因果關(guān)系的科學推斷。實地實驗的范圍和規(guī)模都可控，能夠以較小的社會成本，與其他經(jīng)濟學實證方法相輔相成，在事前、事中、事后評估等政策評估的不同階段有機結(jié)合并發(fā)揮作用。b洪永淼：《運用經(jīng)濟學新成果促進政策優(yōu)化》，《人民日報》2019 年2 月25 日。除了政策評估，實地實驗對政策設計和行為干預的作用也同等重要。現(xiàn)實中人們的決策受到認知、情緒、社會文化等因素影響而偏離“理性”選擇，同時這些因素復雜多變，要衡量一項政策干預能否長期有效，則需要實地實驗的幫助來觀察重復性、系統(tǒng)性的行為和選擇偏誤，有針對性地進行助推（nudge）。cRichard H.Thaler,Cass R.Sunstein,Nudge:Improving Decisions about Health,Wealth,and Happiness.New Haven,CT:Yale University Press,2004;Michael Kremer,Gautam Rao,Frank Schilbach,“Behavioral Development Economics”,In B.Douglas Bernheim,Stefano DellaVigna,David Laibson (eds.).Handbook of Behavioral Economics:Foundations and Applications 1,vol.2,Amsterdam:Elsevier,2019,pp.345-458.比如，美國麻省理工學院的3 位經(jīng)濟學教授2003 年創(chuàng)建的貧困行動實驗室（Abdul Latif Jameel Poverty Action Lab），是利用實地實驗方法進行政策設計的一個典范。該實驗室與政府機構(gòu)和非盈利組織合作，圍繞科學研究、研究成果向政策的轉(zhuǎn)化、教育與培訓等，采用隨機可控實驗的方法尋求不發(fā)達地區(qū)貧困問題的解決方案。再比如，Abhijit Banerjee 等研究者的一系列在發(fā)展中國家鄉(xiāng)村的實地實驗就通過改變物質(zhì)激勵的形式、大小、補貼模式等，來鼓勵疾病防控和免疫性接種，鼓勵村民通過小額信貸來經(jīng)營生意。dAbhijit Banerjee,Rukmini Banerji,James Berry,Esther Duflo,Harini Kannan,Shobhini Mukerji,Marc Shotland,Michael Walton,“From Proof of Concept to Scalable Policies:Challenges and Solutions,with an Application”,The Journal of Economic Perspectives,vol.31,no.4,2017,pp.73-102;Abhijit Banerjee,Esther Duflo,Richard Hornbeck,“How Much Do Existing Borrowers Value Microfinance? Evidence from an Experiment on Bundling Microcredit and Insurance”,Economica,vol.85,no.340,2018,pp.671-700.這些實地實驗為經(jīng)濟學家合理干預微觀個體行為選擇、改進激勵機制設計提供了可信的實證數(shù)據(jù)，也為政策制定者從教育、健康、小微金融等方面有針對性地對特定收入群體進行精準扶貧提供了科學的方法論支撐。

二、實驗經(jīng)濟學所面臨的問題與局限

隨著實驗經(jīng)濟學的繁榮，其關(guān)注點從一開始側(cè)重理論拓展，發(fā)展到近年來對應用微觀、發(fā)展經(jīng)濟學等領(lǐng)域的廣泛滲透。但Thaler（2016）認為，目前的實驗經(jīng)濟學仍存在困境，研究者寄希望于只采用一種分析范式，即傳統(tǒng)微觀的“最優(yōu)化分析”框架，去達到“刻畫人們最優(yōu)的選擇”和“預測人們真實的行為”這兩個截然不同的目的?！邦A測”這一目的本應通過對實證研究中觀察到的行為數(shù)據(jù)進行統(tǒng)計學的假設檢驗而達到。eRichard H.Thaler,“Behavioral Economics:Past,Present,and Future”,The American Economic Review,vol.106,no.7,2016,pp.1577-1600.因此，如何關(guān)注影響行為的變量、所關(guān)注變量的穩(wěn)定性與其效果的可復制性、大規(guī)模數(shù)據(jù)的可控性與噪音等問題，成為了研究者需要尋求突破的幾個方面。

第一個問題是實驗經(jīng)濟學家應如何處理心理、認知、情緒等因素并分析其對行為的影響，而不僅僅是將這些因素雜糅在一起，籠統(tǒng)地將之放入心理學因素的“黑箱”之中。fMagda Osman,“Behavioral Economics:Where Is It Heading?”Psychology,vol.6,no.9,2015,pp.1114-1124.在所謂的非均衡、非理性的選擇背后起作用的心理和認知層面的內(nèi)在機制需要得到研究者更細致的分析，而近年來興起和發(fā)展的認知經(jīng)濟學（cognitive economics）和神經(jīng)元經(jīng)濟學（neuroeconomics）關(guān)注人類決策過程的神經(jīng)科學基礎(chǔ)，就是在此方向上的一個成功的嘗試。aColin F.Camerer,George Loewenstein,Drazen Prelec,“Neuroeconomics:How Neuroscience Can Inform Economics”，Journal of Economic Literature，vol.43,no.1,2005，pp.9-64；葉航、汪丁丁、賈擁民：《科學與實證——一個基于“神經(jīng)元經(jīng)濟學”的綜述》，《經(jīng)濟研究》2007 年第1 期。如通過大腦磁共振成像（fMRI）、經(jīng)顱直流電刺激（tDCS）、經(jīng)顱磁刺激（TMS）等技術(shù)，發(fā)現(xiàn)人腦神經(jīng)系統(tǒng)對收益和損失的信息處理是非對稱性的，揭示了損失厭惡和稟賦效應發(fā)生的腦神經(jīng)學機理。b賈擁民、黃達強、鄭昊力、羅俊、葉航：《偏好的異質(zhì)性與一致性——基于損失厭惡和腦刺激的神經(jīng)經(jīng)濟學研究》，《南方經(jīng)濟》2015 年第5 期；郭文敏、楊思佳、羅俊、葉航：《作為異質(zhì)性偏好的稟賦效應：來自神經(jīng)經(jīng)濟學的證據(jù)》，《南方經(jīng)濟》2017 年第4 期。又如應用電刺激和磁刺激技術(shù)，發(fā)現(xiàn)人腦的特定區(qū)域在處理社會互動中的信任與可信任行為、信念的形成、推斷他人意圖動機、道德判斷時都發(fā)揮了關(guān)鍵作用。c葉航、鄭昊力：《信任的偏好與信念及其神經(jīng)基礎(chǔ)》，《社會科學戰(zhàn)線》2016 年第6 期；羅俊、葉航、鄭昊力、賈擁民、陳姝、黃達強：《左右側(cè)顳頂聯(lián)合區(qū)對道德意圖信息加工能力的共同作用——基于經(jīng)顱直流電刺激技術(shù)》，《心理學報》2017 年第2 期。

第二個問題則涉及研究中發(fā)現(xiàn)的影響行為因素的穩(wěn)定性與實驗結(jié)果的可重復性。實驗方法越來越多地被政策設計者使用，并成為干預和促進人們采用合意的行為方式的一種工具，干預效果的可靠性則決定了其是否真正值得推廣。Sunstein（2014）將借助實驗的助推政策稱為“自由家長主義”（libertarian paternalism），即個人行為中表現(xiàn)出的“非理性偏離”如果需要被特定的政策干預，其前提是這些偏離具有系統(tǒng)性，影響它們的變量是清晰且有明確作用機制的。dCass R.Sunstein,Why Nudge:The Politics of Libertarian Paternalism.New Haven,CT:Yale University Press,2014.如果研究者不清楚個體選擇是否受到特定環(huán)境或暫時性經(jīng)濟因素的影響，而僅僅將其決策偏差歸結(jié)為個人“無意識的非理性”，那么這種實驗并不能有效地解釋行為，只是一種“辯解和敷衍”（Thaler，2016）。一個可行的解決方案是，通過大數(shù)據(jù)及相應的數(shù)據(jù)挖掘和建模技術(shù)來幫助研究者們更有效地利用大規(guī)模數(shù)據(jù)集，對不同時間、各類人群中的信念、偏好、概率判斷、情緒等因素的影響進行分析，以此來提高對行為預測的穩(wěn)定性。ePatrick J.Wolfe,“Making Sense of Big Data”,Proceedings of the National Academy of Sciences of the United States of America,vol.110,2013,pp.18031-18032;Einav Liran,Jonathan Levin,“Economics in the Age of Big Data”,Science,vol.346,no.6210,2014,p.715.

第三個問題是關(guān)于大規(guī)模線上實驗的廣泛應用后樣本行為的可控性和實驗結(jié)果的噪音。隨著云端服務器的普及，以亞馬遜MTurk（Amazon Mechanical Turk）為代表的線上實驗平臺為實驗經(jīng)濟學研究者們提供了極大的便利，每個觀測值所需要的成本也更低，但這種便利也帶來了一些副作用。Fréchette 等（2021）分析了2010—2019 年間發(fā)表在經(jīng)濟學五大頂級期刊的164 篇實驗文章，發(fā)現(xiàn)在2014 年之前僅有5%的文章涉及線上實驗，而在2015—2019 年這個比例達到了23%。fGuillaume R.Fréchette,Kim Sarnoff,Leeat Yariv,“Experimental Economics:Past and Future”,Working Paper,2021.涉及線上實驗的文章樣本量成倍地高于線下實驗的樣本量，平均參加人數(shù)在2000—10000 之間。與之相應的是對實驗設計的簡化，線上實驗的研究話題更多涉及非博弈互動的決策問題，同時實驗中通過逐輪的反饋信息來探討學習效應的文章也越來越少。實驗形式和技術(shù)的改進也帶來了被試群體異質(zhì)性增大、被試對實驗任務的注意力降低等問題，乃至影響到了實驗結(jié)果的穩(wěn)定性。雖然在一些不需要金錢激勵的個人決策實驗和最基本的博弈實驗中，大學生被試和MTurk 上招募的被試表現(xiàn)沒有顯著差別，gDavid Hauser,Gabriele Paolacci,Jesse Chandler,“Common Concerns with MTurk as a Participant Pool:Evidence and Solutions”,In Handbook of Research Methods in Consumer Psychology.Routledge/Taylor &Francis Group,2019,pp.319-337.但新近的、更大規(guī)模的對比實驗則發(fā)現(xiàn)，當存在金錢激勵時，線下實驗室的大學生被試、有代表性的美國公民被試和MTurk 上的被試的表現(xiàn)存在顯著的差異，非學生群體的行為噪音較大。hEric Snowberg,Leeat Yariv,“Testing the Waters:Behavior across Participant Pools”,American Economic Review,vol.111,no.2,2021,pp.687-719.這種噪音被歸因于線上被試的注意力不集中，在利用MTurk 的線上實驗中，不同實驗參數(shù)下的實驗處置效應幾乎完全不顯著，而傳統(tǒng)的實驗室被試群體的行為則更容易隨時間收斂到理論的均衡。aDrew Fudenberg,Alexander Peysakhovich,“Recency,Records,and Recaps:Learning and Nonequilibrium Behavior in a Simple Decision Problem”,ACM Transactions on Economics and Computation（TEAC）,vol.4,no.4,2016,pp.1-18;Nearaja Gupta,Luca Rigotti,Alistair Wilson,“The Experimenters’ Dilemma:Inferential Preferences over Populations”,Working Paper,2021.因此，在進行更低成本的線上實驗時，研究者往往面臨著收集到噪音更大的大樣本、被試注意力不集中而導致的實驗結(jié)果更不穩(wěn)定的現(xiàn)實難題。最近幾年應用于實驗大數(shù)據(jù)的機器學習算法，在處理隨機性較大、噪音較大的數(shù)據(jù)樣本時，能夠提高對行為的預測精度，也被認為是一種可行的解決途徑（Mullainathan 和Spiess，2017；Camerer，2019）。

三、實驗經(jīng)濟學未來可能的突破：來自大數(shù)據(jù)與人工智能的影響

將人工智能技術(shù)引入實驗經(jīng)濟學的研究話題是學界最近五年逐漸興起的熱點。人工智能（AI）的概念非常寬泛，廣義使用時不僅包括了機器學習、深度學習等算法，而且還包括了對各類大數(shù)據(jù)的處理。其對經(jīng)濟學實驗研究的影響主要可以分為兩點。一是相比于傳統(tǒng)的以因果推斷為目的的實驗設計和數(shù)據(jù)分析，利用大數(shù)據(jù)和機器學習算法進行數(shù)據(jù)挖掘和建模的方法更側(cè)重對個體行為的預測；二是人工智能輔助下的決策問題，比如基于個人特征而設計的推薦系統(tǒng)、幫助企業(yè)和金融機構(gòu)進行的對特定人群的識別、幫助政府等公共管理機構(gòu)進行的公共決策和政策執(zhí)行等等。

（一）大數(shù)據(jù)和機器學習方法對影響行為的變量的挖掘

Camerer（2019）認為，機器學習算法對實驗經(jīng)濟學的首要貢獻是幫助尋找和挖掘影響個人選擇的行為變量，以更好理解和預測現(xiàn)實中個體的決策過程。這些被找到的“新”的行為變量很有可能是尚未被微觀或是行為理論的數(shù)理化模型刻畫過的，因此機器學習應用下的實驗研究也更加“基于證據(jù)”（evidence-based）且有“預測導向”（prediction-oriented）。機器學習模型對噪音較大的數(shù)據(jù)集往往有更高的預測精度，對數(shù)據(jù)變異度有更強的解釋能力。Peysakhovich 和Naecker（2017）提出，同樣是解釋10%的變異度，如果針對的是一個較為干凈的數(shù)據(jù)集，那么說明模型的解釋能力相當差，但如果在有大量噪音的情況下能夠解釋10%的變異度，那么說明模型已經(jīng)表現(xiàn)非常好了。bAlexander Peysakhovich,Jeffrey Naecker,“Using Methods from Machine Learning to Evaluate Behavioral Models of Choice under Risk and Ambiguity”, Journal of Economic Behavior &Organization,vol.133,2017,pp.373-384.

在對線上實驗的數(shù)據(jù)處理中，機器學習模型的表現(xiàn)優(yōu)于以往文獻常用的行為經(jīng)濟模型。Epstein 等（2016）對在Amazon MTurk 平臺收集的1067 位美國公民每人20 次獨裁者實驗的選擇數(shù)據(jù)，利用邏輯嶺回歸方法（logistic ridge regression）對社會偏好模型的參數(shù)進行估計，并評估了經(jīng)濟學實驗中常用的社會經(jīng)濟背景變量的樣本外預測（out-of-sample prediction）的精度。cZiv Epstein,Alexander Peysakhovich,David G.Rand,“The Good,the Bad,and the Unflinchingly Selfish:Cooperative Decision-Making Can Be Predicted with High Accuracy When Using Only Three Behavioral Types”,Proceedings of the 2016 ACM Conference on Economics and Computation,2016,pp.547-559.估計結(jié)果表明，如果采用“代表性個體模型”（representative agent model），即所有被試共用一套社會偏好參數(shù)，估計結(jié)果的預測精度僅比完全隨機猜測略好（AUC=0.69）。dAUC 是“觀測者操作特性曲線以下的面積”（“area under the receiver operating characteristic curve”）的簡寫，用于評估機器學習算法的預測精度：Andrew P.Bradley,“The Use of the Area under the ROC Curve in the Evaluation of Machine Learning Algorithms”,Pattern Recognition,vol.30,no.7,1997,pp.1145-1159.而用每個個體各自有一套行為參數(shù)的完全異質(zhì)性模型，或者先將所有被試分類為三種“行為類型”，再分別估計三套參數(shù)的聚類異質(zhì)性模型，估計的精度都可以大幅提升（AUC=0.89，0.88），其中后者的復雜度顯著降低。Epstein 等（2016）還利用個人背景變量來預測個人屬于不同行為類型的概率，得到的精度也較低，這一結(jié)果也對實驗問卷中所慣常使用的經(jīng)濟、社會、心理等測度是否具有行為上的預測性提出了質(zhì)疑。

Peysakhovich 和Naecker（2017）基于在Amazon MTurk 平臺收集的600 位被試的6000 次選擇數(shù)據(jù)，將機器學習算法用于個人決策中風險偏好和模糊性偏好的分析和行為預測，并與幾類常用的不確定性下的決策模型進行了比較。機器學習算法的特點是能夠包含所有的決策相關(guān)的變量以及它們與個人虛擬變量的交乘效應，能夠?qū)Τ^55000 個參數(shù)進行估計，同時采用交叉校驗和正則化回歸的方法來避免過度擬合。估計結(jié)果顯示，在針對風險偏好的估計中，所有個體共用同一套參數(shù)的“代表性個體”期望效用模型的精度較低，而如果考慮參數(shù)的個體異質(zhì)性并引入非線性概率加權(quán)的期望效用模型，則其估計精度與機器學習算法相差無幾。然而，在針對模糊性偏好的估計中，不論是考慮個體異質(zhì)性的二階期望效用模型還是極大極小偏好模型，其樣本外預測的表現(xiàn)都不如機器學習算法。因此，Peysakhovich和Naecker 認為機器學習可以被用作實驗數(shù)據(jù)中可解釋的數(shù)據(jù)變異性的上限，尤其是更適用于噪音較大的線上實驗數(shù)據(jù)集。Bourgin 等（2019）在上述方法的基礎(chǔ)上更進一步利用已有的認知模型合成的數(shù)據(jù)集來預測訓練神經(jīng)網(wǎng)絡（neutral networks），構(gòu)造算法的“認知模型先驗”（cognitive model priors），對13000 個彩票選擇問題中240000 人次的行為進行預測。aDavid D.Bourgin,Joshua C.Peterson,Daniel Reichman,Stuart J.Russell,Thomas L.Griffiths,“Cognitive Model Priors for Predicting Human Decisions”,International Conference on Machine Learning,PMLR,2019,vol.97,pp.5133-5141.研究結(jié)果顯示，利用已有的認知心理學理論來作為神經(jīng)網(wǎng)絡的先驗概率，可以提升訓練有效性和減少預測誤差，進一步提升機器學習算法對行為的預測能力。

機器學習算法在分析更為復雜的博弈互動實驗并預測博弈雙方的策略時也有很大的優(yōu)勢。Hartford 等（2016）針對雙人的矩陣博弈，提出利用多層次的深度學習網(wǎng)絡(deep learning networks)，基于收益結(jié)構(gòu)對個人行為反應層級中的策略概率分布進行預測。bJason S.Hartford,James R.Wright,Kevin Leyton-Brown,“Deep Learning for Predicting Human Strategic Behavior”，Discussion Paper,University of British Columbia,2016.Vazifedan 和Izadi（2021）則進一步提出了一種采用深卷積神經(jīng)網(wǎng)絡（deep convolutional neural networks），基于不同維度博弈矩陣的收益結(jié)構(gòu)和博弈中的歷史策略，對重復博弈中個人的策略選擇進行預測的方法。cAfrooz Vazifedan,Mohammad Izadi,“Predicting Human Behavior in Size-Variant Repeated Games through Deep Convolutional Neural Networks”,Progress in Artificial Intelligence,vol.11,no.1,2021,pp.15-28.Camerer 等（2019）分析了Caltech 和UCLA 兩所學校的線下實驗室進行的110 位大學生每人120 輪的討價還價博弈實驗，利用機器學習算法預測了不對稱信息下有期限的動態(tài)非結(jié)構(gòu)性談判中談判陷入分歧和最終不能達成協(xié)議的可能性。dColin F.Camerer,Gideon Nave,Alec Smith,“Dynamic Unstructured Bargaining with Private Information:Theory,Experiment,and Outcome Prediction via Machine Learning”,Management Science,vol.65,no.4,2019,pp.1867-1890.無法達成協(xié)議這種無效率的結(jié)果不符合理論分析中的任何一種均衡，在實際的選擇中卻經(jīng)常發(fā)生，甚至在總收益金額很大、多輪互動的談判之后也仍然很常見，被試間對于收益的劃分也并不符合理論均衡的刻畫。與舊有的實驗文獻對這種現(xiàn)象背后的原因用行為偏好等理論解釋不同，Camerer 等（2019）利用被試在談判中的過程數(shù)據(jù)（process data）直接對談判失敗是否會發(fā)生、何時發(fā)生作出了預測。通過對過程數(shù)據(jù)中出價先后、間隔時長、變化模式等特定行為模式構(gòu)造的34 個特征變量進行的邏輯LASSO 罰函數(shù)回歸（logistic regression with LASSO penalty）發(fā)現(xiàn)，具有信息優(yōu)勢的談判方的當前出價、談判雙方地位的差距、初始談判地位等變量對最終能否達成協(xié)議的預測力最強。機器學習能夠量化地估計出這些影響因素對于談判結(jié)果貢獻的大小，這些是質(zhì)化的博弈論均衡分析所無法做到的。據(jù)此，Camerer 等（2019）建議，機器學習算法可以用于更多類型的過程數(shù)據(jù)，如談判中的溝通模式、動作和手勢、眼動和其他生理反應等的處理，從而進一步提升預測的準確性。

機器學習算法在處理高維大數(shù)據(jù)中的優(yōu)勢也為研究者們提供了更方便的工具來對實驗中產(chǎn)生的大量非選擇數(shù)據(jù)（non-choice data）進行分析，并對行為作出預測。Halko 等（2021）利用被試在自然狀態(tài)下由可穿戴設備產(chǎn)生的生物學特征數(shù)據(jù)，尤其是衡量心臟功能的心率變異性數(shù)據(jù)，對被試在薪酬實驗中會選擇計件工資、競爭性激勵還是基于團隊競爭的薪酬激勵方式進行預測。eMarja-Liisa Halko,Olli Lappalainen,Lauri S??ksvuori,“Do Non-Choice Data Reveal Economic Preferences? Evidence from Biometric Data and Compensation-Scheme Choice”,Journal of Economic Behavior &Organization,vol.188,2021,pp.87-104.Halko 等（2021）利用線性LASSO 回歸和嵌套交叉校驗（nested cross validation）的結(jié)果顯示，采用非選擇數(shù)據(jù)的樣本外預測和利用性別與過往決策數(shù)據(jù)的預測，其對個體選擇行為的預測能力相差無幾。Li 和Camerer（2021）則利用圖像的倒置視覺突出性特征（bottom-up visual salience），來預測被試在摘水果游戲、地點匹配游戲和矩陣博弈中的選擇。aXiaomin Li,Colin Camerer,“Predictable Effects of Bottom-up Visual Salience in Experimental Decisions and Games”,Working Paper,2021.該研究使用了預訓練的卷積神經(jīng)網(wǎng)絡，并引入視覺突出的注意力模型（salience attentive model algorithm）算法，發(fā)現(xiàn)視覺突出性在合作型的地點匹配游戲中的預測能力較強，而在其他決策的預測上則精度一般。同樣地，機器學習模型能夠處理的人體生物學特征數(shù)據(jù)還包括大腦磁共振圖像、腦電波等高維數(shù)據(jù)集，通過正則化回歸、卷積神經(jīng)網(wǎng)絡等算法，在大量的候選變量中尋找對人的風險選擇、博弈互動、道德行為等最有預測性的特征變量，為傳統(tǒng)的神經(jīng)元經(jīng)濟學提供精度更高、預測能力更強的分析工具。

當然，學者們也指出，不能完全依賴機器學習的數(shù)據(jù)挖掘算法來預測行為，而應與現(xiàn)存的微觀經(jīng)濟理論相結(jié)合，促進理論建模更加完善。Fudenberg 和Liang（2019）使用袋裝決策樹算法（bagged decision tree algorithm）對被試在矩陣博弈中的初始策略進行預測發(fā)現(xiàn)，基于算法的一層策略模型與傳統(tǒng)博弈論中帕累托占優(yōu)的納什均衡模型結(jié)合而成的混合模型的預測能力最強。bDrew Fudenberg,Annie Liang,“Predicting and Understanding Initial Play”,American Economic Review,vol.109,no.12,2019,pp.4112-4141.Fudenberg 和Karreskog（2021）也提出了一個基于初始決策的學習模型，并利用17 篇已有的無限次重復囚徒困境博弈實驗的文章數(shù)據(jù)進行估計發(fā)現(xiàn)，預測的精度并不比幾種機器學習模型差。cDrew Fudenberg,Gustav Karreskog,“Predicting Cooperation with Learning Models”,Working Paper,2021.因此，以Drew Fudenberg 為代表的行為經(jīng)濟學家認為，采用“擁有算法結(jié)構(gòu)”（algorithmically structured）的微觀行為理論模型，才能夠避免機器學習模型復雜度高、變量過多、難以解釋的問題，使預測結(jié)果更具有經(jīng)濟學含義。

（二）人工智能輔助（AI Assistance）下的決策質(zhì)量提升

很多重要的個人、企業(yè)和公共決策都建立在精準的預測基礎(chǔ)上。Kleinberg 等（2015）提出，傳統(tǒng)微觀經(jīng)濟學的因果推斷方法面臨重大變革，經(jīng)濟學家應充分利用機器學習算法的預測能力來輔助微觀主體和公共部門的政策設計，關(guān)注直接基于大數(shù)據(jù)分析提出政策建議的“預測政策問題”（prediction policy problems）。dJon Kleinberg,Jens Ludwig,Sendhil Mullainathan,Ziad Obermeyer,“Prediction Policy Problems”,The American Economic Review,vol.105,no.5,2015,pp.491-495.而應用于大數(shù)據(jù)的算法也為經(jīng)濟學家們帶來了新的對微觀個體決策偏誤的理解。在經(jīng)濟、政治和社會活動中，好的算法能夠客觀中立地作出預測，幫助人們對現(xiàn)實市場作出更準確的判斷、對海量的信息作出更有效的鑒別，從而提高決策質(zhì)量。不同群體間的異質(zhì)性使得對算法的接納和信任、從算法輔助中的獲益都因人而異，因此設計有針對性、透明且易于理解的算法，進行個性化的行為干預，也有著重要的現(xiàn)實意義與應用價值。

首先，以機器學習算法為核心的人工智能技術(shù)在理論問題上的高預測精度，是否能夠幫助現(xiàn)實中的企業(yè)和金融機構(gòu)在經(jīng)營中作出更準確的決定？Chen 等（2021）的實驗研究了真人被試和人工智能在利用借貸人的面部信息對是否應批準其放款申請時的準確度差異。eZeyang Chen,Yu-Jane Liu,Juanjuan Meng,Zeng Wang,“What's in a Face? An Experiment on Facial Information and Loan Approval Decision”,Working Paper,2021.該研究基于一個現(xiàn)金借貸公司的借貸人償還貸款的歷史數(shù)據(jù)，在給真人被試提供借貸人基本財務背景、月賬單和申請貸款期限等信息的基礎(chǔ)上，改變所提供的借貸人面部信息的詳細程度。Chen 等（2021）發(fā)現(xiàn)，提供面部信息對真人被試放款決策的正確率影響不大，但如果用上述面部信息和歷史還貸數(shù)據(jù)訓練一個多層神經(jīng)網(wǎng)絡（multilayer neural network）來對每個借貸人能否按時償還貸款進行預測，那么其樣本外預測的精度可以達到80.5%。進一步的分析表明，面部信息無法幫助真人被試提高決策質(zhì)量，是由于其在觀看和評價借貸人照片時存有各類偏見，又過度依賴自己從照片中得到的有偏印象，忽略了借貸人的基本財務信息和過往償還貸款記錄等背景數(shù)據(jù)。機器學習算法則能夠客觀和全面地利用這些數(shù)據(jù)，大幅提高了決策準確性。Bertomeu 等（2020）基于包含了財務狀況、資本市場、公司治理狀況和審計分析等多變量的會計數(shù)據(jù)庫，利用梯度提升回歸樹（gradient boosted regression tree）算法來調(diào)查公司會計信息的不實披露情況，并提前一到兩年對未來有更大風險出現(xiàn)不實披露的公司進行預警。aJeremy Bertomeu,Edwige Cheynel,Eric Floyd,Wenqiang Pan,“Using Machine Learning to Detect Misstatements”,Review of Accounting Studies,vol.26,no.2,2020,pp.468-519.Erel 等（2021）則采用LASSO、嶺回歸、神經(jīng)網(wǎng)絡和梯度提升回歸樹等幾種算法對公司經(jīng)理人的表現(xiàn)進行評估和預測，并據(jù)此識別了表現(xiàn)不佳的經(jīng)理人的特征變量，為公司應如何選擇經(jīng)理人提出建議。bIsil Erel,Léa H.Stern,Chenhao Tan,Michael S.Weisbach,“Selecting Directors Using Machine Learning”, The Review of Financial Studies,vol.34,no.7,2021,pp.3226-3264.

人工智能輔助決策的優(yōu)點也被用于稅收、司法等公共管理事務中的決策評估和建議，從而幫助政策制定者達到更有效率的政策目標。Andini 等（2018）分析了意大利當局2014 年起開展的一項應對經(jīng)濟蕭條、促進消費的大規(guī)模退稅政策，提出如果利用機器學習算法來挑選該政策的目標受益人群并進行有針對性的退稅，那么政策的有效性可以得到顯著提高。cMonica Andini,Emanuele Ciani,Guido de Blasio,Alessio D'Ignazio,Viola Salvestrini,“Targeting with Machine Learning:An Application to a Tax Rebate Program in Italy”,Journal of Economic Behavior &Organization,vol.156,2018,pp.86-102.該研究基于意大利銀行的家庭收入和財富調(diào)查，采用決策樹算法（decision tree）識別退稅政策所應針對的“消費受限”的人群，發(fā)現(xiàn)實際上29.5%的退稅被分配給了并不需要這項政策幫助（即消費并未受限）的人群。而相比于該政策的實際受益群體，如果退稅被分配給算法挑選出的受益人群，那么食品消費的增加會比實際的政策效果高出41.8%。Andini等（2018）還發(fā)現(xiàn)，采用K-最鄰近分類（k-Nearest Neighbors,kNN）和隨機森林（random forest）算法的預測效果差異不大，但決策樹算法變量更少、更加透明，方便政策制定者簡單明了地向公眾解釋其選定目標人群的原則，是更好地輔助政策實施的工具。Kleinberg 等（2018）則討論了利用機器學習算法提高法官判決質(zhì)量的可能性。dJon Kleinberg,Himabindu Lakkaraju,Jure Leskovec,Jens Ludwig,Sendhil Mullainathan,“Human Decisions and Machine Predictions”,The Quarterly Journal of Economics,vol.133,no.1,2018,pp.237-293.該研究利用紐約市2008—2013 年間的犯罪、逮捕和司法判決數(shù)據(jù)，采用梯度提升決策樹算法，對被捕者的再犯概率進行預測，并與實際中的判決做對比。結(jié)果顯示，在收監(jiān)率不變的情況下，以算法輔助判決，犯罪率能降低24.7%；如果保持再犯率不變，那么收監(jiān)率可以下降41.9%。因此，Kleinberg 等（2018）認為，算法輔助在司法等公共管理領(lǐng)域的應用，是“預測政策問題”的一個典型例子，有著重要的現(xiàn)實意義。

其次，既然利用人工智能技術(shù)進行決策具有更高精確度和效率，那么在現(xiàn)實中人們是否愿意接受這樣的決策輔助？哪些人群更樂于接受？算法應如何改進才更有可能被理解和接受？Chen 等（2021）的實驗比較了基于歷史貸款數(shù)據(jù)來作出放款決定時真人被試和人工智能的決策質(zhì)量，發(fā)現(xiàn)真人被試在人工智能輔助下的決策準確性仍低于算法的預測精度，真人被試表現(xiàn)出“算法厭惡”（algorithm aversion），對自身判斷力過度自信而輕視算法的建議。eZeyang Chen,Yu-Jane Liu,Juanjuan Meng,Zeng Wang,“Can All Humans Benefit from AI Assistance? Algorithm Aversion and Overconfidence”,Working Paper,2021.Grgi?-Hla?a 等（2019）研究了普通人被試在評估犯罪嫌疑人再犯的概率并作出監(jiān)禁與否的決策時，是否能聽從機器學習算法給出的建議。結(jié)果發(fā)現(xiàn)，算法的預測并不能顯著改變被試的決策，且不隨實驗的金錢激勵增加而改變。fNina Grgi?-Hla?a,Christoph Engel,Krishna P.Gummadi,“Human Decision Making with Machine Assistance:An Experiment on Bailing and Jailing”,Proceedings of the ACM on Human-Computer Interaction,vol.3,no.178,2019,pp.1-25.Horne 等（2019）則通過實驗室實驗探討了人工智能輔助下人們是否能夠判斷虛假新聞，以及具有哪些特征的群體更樂于接受算法的建議。aBenjamin D.Horne,Dorit Nevo,John O’Donovan,Jin-Hee Cho,Sibel Adali,“Rating Reliability and Bias in News Articles:Does AI Assistance Help Everyone?”,Proceedings of the International AAAI Conference on Web and Social Media,vol.13,2019.該研究使用包含了主流媒體和不可靠來源的2017 年新聞報道數(shù)據(jù)庫，并應用隨機森林分類算法對每條新聞的可信性和偏向性做了概率預測。通過向在Amazon MTurk 上招募的654 位被試展示僅有文字的新聞、在新聞下方顯示算法預測或同時給出算法預測背后所基于的對新聞特征的解釋，Horne 等（2019）發(fā)現(xiàn)附有解釋的算法預測能夠顯著改變被試對虛假新聞的認知，提高其判斷假新聞和媒體偏向的準確率。同時，即使有人工智能的幫助，那些經(jīng)常閱讀主流報刊和對政治議題熟悉的被試更容易識別出虛假和有偏的新聞，而那些經(jīng)常在社交媒體上閱讀和分享貼子的被試則更不容易鑒別新聞的可信度和偏向性。

由于算法輔助對個人決策的幫助效果因人、因算法的呈現(xiàn)形式而異，故而設計更易于理解和操作的、針對個人特征的個性化輔助成為了使人們更愿意接受算法建議來提高自身決策質(zhì)量的有效途徑。Hamsa 等（2021）借鑒行為經(jīng)濟理論中“強化學習模型”的框架，構(gòu)建了一個將人工智能的預測轉(zhuǎn)化為人們可以接受的“小建議”的算法，并設計了一個線上“虛擬餐廳”游戲來檢驗這種設計的有效性。bBastani Hamsa,Osbert Bastani,Wichinpong Park Sinchaisri,“Improving Human Decision-Making with Machine Learning”,Working Paper,2021.該算法首先訓練一個高性能的神經(jīng)網(wǎng)絡以強化學習模型為框架生成決策規(guī)則，繼而將這種規(guī)則以易于理解的方式呈現(xiàn)給被試，以指導被試在需要較為復雜的人力配置序貫決策中的行為。研究結(jié)果表明，這一算法能夠很顯著提高被試在決策中有效配置人工的表現(xiàn)，隨著游戲輪數(shù)增加，經(jīng)驗越豐富的被試越能夠理解算法建議的重要性，并能結(jié)合算法的建議來嘗試一些新策略。Poursabzi-Sangdeh 等（2021）通過一個預測紐約市公寓售價的實驗考察了模型的“可解釋性”（interpretability）對人們遵循不同的算法模型建議的影響，發(fā)現(xiàn)人們更愿意接納特征變量更少、預測的原理更透明的模型所給出的建議。cForough Poursabzi-Sangdeh,Daniel G.Goldstein,Jake Hofman,Jennifer Wortman Vaughan,Hanna Wallach,“Manipulating and Measuring Model Interpretability”,Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems,2021.Chen和Yeckehzaare（2020）則研究了利用算法針對不同被試進行的個性化推薦是否更易于被接受，并用以促進特定的行為。dYan Chen,Iman Yeckehzaare,“Motivating Experts to Contribute to Digital Public Goods:A Personalized Field Experiment on Wikipedia”,Working Paper,2020.該研究選取了3974 位在RePEc 發(fā)文5 篇以上的經(jīng)濟學家，計算他們的文章摘要與維基百科上的經(jīng)濟學文章的相似度并進行匹配，邀請他們對這些文章作出評論，并告知維基的閱讀量、本人文章被引用、貢獻被廣泛認可等潛在益處，進而采用隨機森林的算法對收集到的評論長度和質(zhì)量進行預測。結(jié)果發(fā)現(xiàn)，專家們的領(lǐng)域與推薦給他們以供評論的詞條內(nèi)容越接近，專家本人業(yè)內(nèi)聲望越高，回答后被引用的可能性越大，他們給出的評論質(zhì)量就越高。Chen 和Yeckehzaare（2020）由此提出，機器學習算法的積極作用之一在于可以個性化地設計匹配和推薦系統(tǒng)，鼓勵人們在互聯(lián)網(wǎng)上對數(shù)字公益有所貢獻。

四、結(jié)語與討論

實驗經(jīng)濟學通過借鑒心理學的研究發(fā)現(xiàn)和方法，尤其是利用可控的實驗室對照實驗方式來觀測微觀個體的行為，幫助理論經(jīng)濟學家們更全面地刻畫人的偏好、風險決策、信念和合作互動等，提出包含了認知、行為和心理因素的新經(jīng)濟模型，并以此來重新認識人們在現(xiàn)實市場中的行為。實地實驗中的應用則通過隨機對照實驗來觀察人們的對經(jīng)濟或社會政策的反應，為政策制定者提供了重要的分析工具和決策參考。但與此同時，實證導向的行為實驗方法也面臨著對影響行為的變量缺乏心理和認知層面的內(nèi)在機制的探討、行為干預措施的外部有效性不明確、干預結(jié)果的可重復性存疑、大規(guī)模線上實驗中個體行為的可控性較差、數(shù)據(jù)存在較多噪音等需要進一步探討和解決的問題。

近年來，隨著數(shù)字經(jīng)濟的興起與發(fā)展，基于互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)的大數(shù)據(jù)、用于分析大數(shù)據(jù)的機器學習算法和人工智能技術(shù)的應用，給微觀和實驗經(jīng)濟學的研究對象和分析方法都帶來了巨大的沖擊。大數(shù)據(jù)與人工智能的作用也越來越被政策制定者所關(guān)注和倚重。李克強總理在2021 年的政府工作報告中指出，要“大力促進科技創(chuàng)新，推動產(chǎn)業(yè)數(shù)字化智能化改造”。經(jīng)濟的高質(zhì)量發(fā)展依托于市場有效運行的微觀基礎(chǔ)，而大數(shù)據(jù)與人工智能在經(jīng)濟學領(lǐng)域的應用為政策制定提供了這樣的微觀基礎(chǔ)和實證數(shù)據(jù)。高維大數(shù)據(jù)集為觀察個人的決策影響因素提供了海量的素材，機器學習方法則為數(shù)據(jù)挖掘、模型選擇和預測提供了非常便捷的工具，極大地提升了實證研究對現(xiàn)實中經(jīng)濟行為的預測能力。人工智能和大數(shù)據(jù)技術(shù)的應用拓展了實驗經(jīng)濟學的技術(shù)可能，如基于機器學習個性化匹配與推薦算法、高維統(tǒng)計方法在分析非選擇性數(shù)據(jù)時的應用、大規(guī)模線上實地實驗的普及等，a翁茜、李棟：《在線實地實驗研究進展》，《經(jīng)濟學動態(tài)》2020 年第5 期。但同時也對部分以因果關(guān)系識別為目的、為了解決實證數(shù)據(jù)的內(nèi)生性問題而倚仗可控實驗進行因果分析的應用性研究的基本邏輯構(gòu)成了前所未有的挑戰(zhàn)。如Kleinberg（2015）就提出了取代傳統(tǒng)微觀經(jīng)濟學的因果推斷方法、直接基于大數(shù)據(jù)分析提出政策建議的“預測政策問題”。與此同時，人工智能對個體行為的指導性和預測性顯著優(yōu)于現(xiàn)實中的經(jīng)濟人決策者，這為我們帶來了校正微觀個體決策偏誤的新手段。如何設計有針對性、透明且易于理解的算法，輔助微觀主體對現(xiàn)實市場作出更準確的判斷、對海量的信息作出更有效的甄別，幫助公共管理部門提高決策質(zhì)量，達到更有效率的政策目標，成為了實驗經(jīng)濟學所面臨的新課題。

本文中所討論的人工智能技術(shù)也有其局限性，并不能解決當前實驗經(jīng)濟學研究中存在的全部問題。比如關(guān)于在行為發(fā)展經(jīng)濟學（behavioral development economics）中，隨機對照實驗的外部有效性問題也是近年來學者們關(guān)注的重要議題。b周業(yè)安、孫玙凡：《實驗發(fā)展經(jīng)濟學：理論、方法和困局》，《中國人民大學學報》2021 年第2 期。其中一個比較典型的爭議是，具體的助推措施只適合在小范圍的實驗地區(qū)試用，尤其是在不同的發(fā)展中國家/地區(qū)運用的某些具體激勵政策未必在廣泛的第三世界地區(qū)都具有促進公共健康、改善教育質(zhì)量或減輕貧困的效果。這些助推政策所固有的問題，可能需要在目前人工智能技術(shù)的基礎(chǔ)上，結(jié)合發(fā)展中國家具體地區(qū)不同的經(jīng)濟狀況、社會文化習俗等，謀求更為有效的解決方案。